GPT-o3 蓄水池サンプリング問題で100点から0点に急落、コード実行の真相は細部に隠れている
GPT-o3は今回のv6評価で総合スコアが向上したものの、厳格問題「蓄水池サンプリング」で100点から0点に急落し、コード実行の信頼性に課題が露呈した。エンジニアリング判断は急上昇したが、正確なアルゴリズム実装能力には依然として系統的なリス
オリジナル
Claude Sonnet 4.6 SQL厳格問題で100点から0点に転落、メインボードでは逆に9.3ポイント上昇
Claude Sonnet 4.6はv6評価において、メインボードのスコアが77.98から87.24へ上昇した一方、SQL厳格問題「重複支払い疑い識別」では100点から0点へ急落した。この矛盾は、現行の最適化方向が「カバレッジ」に偏り、「厳
11モデルの新旧交代：Grok 4が首位獲得、DeepSeekシリーズが集団退場
今週のYZ Index v6メインランキングでは、旧モデルが一斉に退場し新モデルが大量に参入。Grok 4がメインランキング89.90点で首位を獲得し、Claude Opus 4.7、豆包Proがそれに続いた。
3大モデル翻訳対決：第24週品質評価、passthroughが9点でリード
今週は2425件の翻訳タスクを3つのモデルが完了。3件をサンプリングしてマルチモデル盲評比較を行い、総合最優秀はpassthrough（平均9/10）。
Claude Opus 4.7とGPT-5.5がSmokeランキング首位タイ 素材制約が最大の分水嶺に
本日のSmoke軽量評価で、Claude Opus 4.7とGPT-5.5が92.53点で首位タイとなり、コード実行で共に100点を獲得しました。素材制約が次世代モデル評価における新たな差別化要因として注目されています。
GPT-5.5 が 23 点急落、Claude 2 モデルが 34 点逆転：Smoke 7 日間データが明かす真の動向
Smoke 7 日間連続クイックテストの結果、首位だった GPT-5.5 は 23.1 点急落した一方、Claude の 2 モデルは 30 点超の逆転劇を演じた。ただし、安定性の低さが信頼性に影を落としている。
Claude Opus 4.8が深夜にクラッシュ！5月6日午前2:30に「Service is busy」が画面を埋め尽くし、世界中の開発者のコーディングの夢が崩壊
2026年5月6日午前2:30、Anthropicの最新AIモデルClaude Opus 4.8が世界規模のサービス障害に見舞われ、約1時間にわたりClaude Code機能が麻痺。世界中の開発者の作業が中断された。
9モデルが77.5点で主ランキング並列、コード実行は満点も素材制約はわずか50点
2026年6月5日のSmoke軽量評価において、11モデル中9モデルが主ランキングで77.5点の同点となり、いずれもコード実行で満点を獲得した一方、素材制約では揃って50点に留まった。この現象はモデルの能力よりも評価基準自体の飽和を示してい
AIエージェントがテック業界の議論の焦点に：マルチモーダルと企業自動化における興奮と現実のギャップ
X（旧Twitter）でAIエージェントに関する議論が急増し、マルチモーダルモデルの統合応用から企業プロセス自動化まで話題が広がる一方、技術成熟度と商業実装との間のギャップへの懸念も浮上している。
Alphabetが850億ドルを調達しAIを加速、Google事業に資本流入の新たな波
Alphabetは傘下のGoogle AI事業拡大のため、850億ドルという同社史上最大規模の資金調達を完了した。これは近年世界のテック業界における最大級のAI専用投資の一つとなる。
Anthropicが IPO書類を提出、AIが誇大宣伝から企業実用へ移行する象徴に
Anthropicが米SECにIPO書類を正式提出し、ナスダック上場を計画。この動きはAI産業が初期の誇大宣伝から成熟した商業化フェーズへ移行する象徴的な出来事として業界に受け止められている。
xAI、Grokによる性的画像生成で英国議員に提訴される AIコンテンツの安全性をめぐる論争を引き起こす
英国の議員がxAIに対し、同社のチャットボットGrokが性的画像を生成可能であるとして提訴した。この事件はAI倫理、コンテンツ安全性、規制責任をめぐる激しい議論を引き起こしている。
TSMC CEOがAIチップ需要に楽観的見通し 半導体産業は力強い成長サイクルへ
TSMC（台湾積体電路製造）のCEOがAIチップ需要の旺盛さを強調し、先進プロセスの注文が満杯状態にあると表明した。半導体セクターは全面高となり、AI業界の中核話題に浮上している。
AIバブル懸念がインターネットバブルを想起させる：MicrosoftとOpenAIの循環収益モデルが市場で論争を呼ぶ
MicrosoftとOpenAI間の循環的な収益モデルが、2000年前後のインターネットバブル期の商業ロジックと類似しているとの指摘が浮上し、AI業界のバブル懸念が高まっている。市場はAI関連株の調整で反応し、投資家はバブルリスクに対する敏
Cloudflareレポート：AIエージェントのトラフィックが初めて人間を超え、インターネットの未来に激変の可能性
Cloudflareの最新レポートによると、AIエージェントが生成するトラフィックが初めて人間ユーザーを上回り、現在のAI関連トラフィックは全体の50%以上を占め、agentic AIが本格的な発展段階に入ったことを示している。
Smokeクイックテスト：文心一言4.5とGrok 4が99.24で同率首位、GPT-5.5の実行スコアはわずか50
Smokeの本日のクイックテスト結果では、コード実行次元がほぼ飽和状態に達し、11モデル中10モデルが満点を獲得した。文心一言4.5とGrok 4が99.24点で同率首位となった一方、GPT-5.5は実行スコア50点と異常な低さを示した。
Project Solara 詳解：Microsoftが「agent-firstデバイス」のために別基盤を立ち上げ、Windowsを回避した本当の理由
MicrosoftはBuild 2026で、従来型アプリではなくAIエージェントを動かす新しいデバイス基盤Project Solaraを発表した。AOSPベースのMDEP、Agent Shell、just-in-time UIを組み合わせ、
WDCD Run #146:11モデル平均命令減衰率24.7%に到達、Claude Opus 4.7とGPT-5.5が首位タイ
WinzhengのWDCDベンチマーク Run #146では、11のAIモデルを評価し、平均命令減衰率24.7%を記録。Claude Opus 4.7、GPT-5.5、GPT-o3が70点で首位タイとなった一方、豆包 Proが減衰率-0%で
Grok 4が10.8点急騰で圧倒、Qwen3 Maxは10.8点暴落 WDCDサイクルで大規模洗い直し
最新のWDCD評価サイクルでGrok 4が10.8点上昇する一方、Qwen3 Maxは10.8点下落し、各モデルの規則遵守能力に顕著な分化が見られた。prompt感度がコア変数になりつつあり、今後さらなる激しい順位変動が予想される。
WDCD横断比較で判明：リソース制限が11モデル最大の弱点、平均わずか1.7点
WDCD遵守テストにおいて、リソース制限のシナリオが全モデルを苦戦させ、11モデルの平均得点はわずか1.7点と、他4シナリオを大きく下回った。本記事では各モデルの偏向特性と企業選定への具体的提言を分析する。